CN108647565B - 一种基于深度学习模型对心电信号分类的数据预处理方法 - Google Patents
一种基于深度学习模型对心电信号分类的数据预处理方法 Download PDFInfo
- Publication number
- CN108647565B CN108647565B CN201810261490.9A CN201810261490A CN108647565B CN 108647565 B CN108647565 B CN 108647565B CN 201810261490 A CN201810261490 A CN 201810261490A CN 108647565 B CN108647565 B CN 108647565B
- Authority
- CN
- China
- Prior art keywords
- samples
- electrocardiosignals
- training
- model
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013136 deep learning model Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000007781 pre-processing Methods 0.000 title abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000003321 amplification Effects 0.000 claims abstract description 16
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 206010003662 Atrial flutter Diseases 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 208000003663 ventricular fibrillation Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于深度学习模型对心电信号分类的数据预处理方法，包括以下步骤：a取得专家标记的包含正常心电和异常心电的心电信号作为训练样本，心电信号测量时长任意，假定最长测量时长为t秒，采样频率为fs；b对原始训练样本做降噪处理，利用小波变换去除基线漂移；c将训练样本分为训练集和测试集，对训练集做数据扩增；d将训练集输入深度学习模型进行训练，利用测试集优化模型参数；e原始心电信号经过b和c两步预处理后取t×fs个数据点作为样本输入模型中即可获得心电信号分类结果。本发明可以扩增样本数，同时做到样本均衡，使模型更容易训练，有助提高模型的分类能力和鲁棒性样本均衡，使模型更容易训练，有助提高模型的分类能力和鲁棒性。
Description
技术领域
本发明涉及一种基于深度学习模型对心电信号分类的数据预处理方法。能使深度学习模型训练更容易，有助提高模型的鲁棒性和分类能力。
背景技术
心电信号分析是医生诊断心脏疾病的重要手段。传统分析方法常通过提取心电信号特征对信号进行分类。近年来，随着深度神经网络技术的兴起，应用深度学习方法对心电信号分类的研究也日渐增多。
现有深度学习模型多为数据驱动，研究者需要提供大量训练样本作为模型的支持。但是，目前难以获得高质量的心电信号分类样本。一方面，由于采集自临床的绝大部分心电信号属于正常信号，因此所建立的数据集中异常心电信号稀少，与正常心电信号比例严重不均衡；另一方面，由于心电的类别需要由专业医生逐个心拍进行标注，因而获得大量的数据的成本很高。由于心电信号的特性，心电不能如同一般图片般通过旋转、对称等方式做数据扩增。样本不均衡和总样本量较少会导致所训练的深度学习模型性能不佳。
发明内容
为了克服现有技术的样本不均衡和总样本量稀少导致深度学习模型难以训练的不足，本发明提出了一种基于深度学习模型对心电信号分类的数据预处理方法。
本发明解决其技术问题所采用的技术方案是：
一种基于深度学习模型对心电信号分类的数据预处理方法，包括以下步骤：
a取得专家标记的包含正常心电和异常心电的心电信号作为训练样本，心电信号测量时长任意，假定最长测量时长为t秒，采样频率为fs赫兹，异常心电信号类型共有L类，正常心电信号样本数为N，第1类异常心电信号样本数为N1，第2类异常心电信号样本数为N2……第L类异常心电信号样本数为NL；
b对原始训练样本做降噪处理，利用小波变换去除基线漂移；
c将训练样本分为训练集和测试集，对训练集做数据扩增；
d将训练集输入深度学习模型进行训练，利用测试集优化模型参数；
e原始心电信号经过b和c两步预处理后取t×fs个数据点作为样本输入模型中即可获得心电信号分类结果。
本发明中使用小波进行降噪处理，数据扩增在增加训练样本量的同时也做到了样本均衡，然后采用深度学习模型进行心电信号的分类。
进一步，所述步骤b中，所述降噪处理包括以下步骤：
b11使用自适应小波算法去除高频干扰；
b12使用小波变换去除基线漂移。
通过以上步骤能够有效去除原始心电信号中的基线漂移、肌电干扰、工频干扰等，从而进一步提升最终的心电信号分类的精确度。
再进一步，所述步骤c中，所述数据扩增包括以下步骤：
c11通过QRS波算法检测训练样本首个和末个Q波起始点，Q波起点接近水平基线，即位于水平基线附近，采用Q波起点作为拼接点可以减少后续拼接所引入的噪声；
c12截取首末Q波起始点之间的心电数据段作为有效样本；
c13通过c12中有效样本首尾相连拼接成时长为2×t秒的心电样本；
c14通过长度为t×fs的窗口在c13所得的心电样本上随机滑动若干次即可获得相应数量的时长为t的心电信号片段。
c15假定每种类别训练所需样本数为M，则正常心电信号和L类异常心电信号样本对应的窗口滑动次数为[M/N]、[M/N1]、[M/N2]……[M/NL]，[x]表示对x做取整运算。
通过上数步骤能有效增加训练样本数，做到样本均衡，使得模型更容易训练。
所述步骤a中，原始心电信号为可以为单导联信号也可为多导联数据，视实际所需而定。
不同的导联反映了心脏不同部位的电生理活动情况。如心房颤动的房颤波在P波较大的导联上(II,III,aVF,V1)较明显，在V1导联上最清楚；束支阻塞可通过V1，V2，V6诊断等。多导联的原始心电信号具有更加充分的信息，能提升相关的心电信号分类的能力。
本发明的有益效果主要表现在：小波算法能有效降低噪声，数据扩增能有效增加训练样本，做到样本均衡，使模型更容易训练，有助提高模型的分类能力和鲁棒性。
附图说明
图1为本发明一种基于深度学习模型对心电信号分类的数据预处理方法的流程图。
图2为原始心电信号及经降噪处理后的心电信号，其中，(a)为原始心电信号，(b)为经降噪处理后的心电信号。
图3为QRS检测算法检测的首末Q波起始点及提取后的有效样本示意图。
图4为拼接后滑窗样本扩增示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图4，一种基于深度学习模型对心电信号分类的数据预处理方法，包括以下步骤：
a取得专家标记的包含正常心电和异常心电的心电信号作为训练样本，心电信号测量时长任意，假定最长测量时长为t秒，采样频率为fs赫兹，异常心电信号类型共有L类，正常心电信号样本数为N，第1类异常心电信号样本数为N1，第2类异常心电信号样本数为N2……第L类异常心电信号样本数为NL；
b对原始训练样本做降噪处理，利用小波变换去除基线漂移；
c将训练样本分为训练集和测试集，对训练集做数据扩增；
d将训练集输入深度学习模型进行训练，利用测试集优化模型参数；
e原始心电信号经过b和c两步预处理后取t×fs个数据点作为样本输入模型中即可获得心电信号分类结果。
本发明中使用小波进行降噪处理，数据扩增在增加训练样本量的同时也做到了样本均衡，然后采用深度学习模型进行心电信号的分类。
进一步，所述步骤b中，所述降噪处理包括以下步骤：
b11使用自适应小波算法去除高频干扰；
b12使用小波变换去除基线漂移。
通过以上步骤能够有效去除原始心电信号中的基线漂移、肌电干扰、工频干扰等，从而进一步提升最终的心电信号分类的精确度。
再进一步，所述步骤c中，所述数据扩增包括以下步骤：
c11通过QRS波算法检测训练样本首个和末个Q波起始点(Q波起点位于水平基线附近，采用Q波起点作为拼接点可以减少后续拼接所引入的噪声)；
c12截取首末Q波起始点之间的心电数据段作为有效样本；
c13通过c12中有效样本首尾相连拼接成时长为2×t秒的心电样本；
c14通过长度为t×fs的窗口在c13所得的心电样本上随机滑动若干次即可获得相应数量的时长为t的心电信号片段。
c15假定每种类别训练所需样本数为M，则正常心电信号和L类异常心电信号样本对应的窗口滑动次数为[M/N]、[M/N1]、[M/N2]……[M/NL]，[x]表示对x做取整运算。
通过上数步骤能有效增加训练样本数，做到样本均衡，使得模型更容易训练。
本发明是一种数据预处理方法，需与深度学习模型结合实施方能产生效益。实施例中利用长短期神经网络算法(LSTM)构建心电信号分类模型，实现对当前心电信号的智能检测。但本发明不限于与LSTM算法结合，而是具有普遍适用性，可与各种深度学习模型结合。
举例来说，本实施例中，心电信号时长为9～60s，采样率为300Hz，由专家对心电信号进行分类标注。心电信号样本的类型包括：正常、房颤、早搏、房扑、室颤、束室阻塞等心律失常类型。为便于阐述方法，附图使用一段5秒正常类心电信号辅助说明本发明数据扩增的详细过程；
图1示出了本发明一种基于深度学习模型对心电信号分类的数据预处理方法流程示意图，本实施例的方法包括下述步骤：
取得正常和异常的心电信号以及相应的标签数据作为训练样本(心电信号测量时长任意)。
原始心电信号伴有基线漂移噪音、肌电干扰、工频干扰等噪声，本实施例中使用自适应小波算法去除高频干扰；使用小波变换去除基线漂移。图2为原始心电信号及经降噪处理后的心电信号。
将训练样本分为训练集和测试集，对训练集做数据扩增，方法如下：
通过QRS波算法检测训练样本首个和末个Q波位置；
截取首末Q波之间的心电数据段作为有效样本；
参见图3所示，图3为QRS检测算法检测的首末Q波起始点及提取后的有效样本。
通过有效样本拼接成120s的心电样本；
通过60s的窗口在拼接后的心电样本上随机滑动若干次即可获得相应数量的60s心电样本。假定正常类样本数为1000个，异常类样本数为500个，所需训练样本为每类10000个，则滑窗分别应滑动10次和20次；图4为拼接后滑窗扩增样本示意图。
通过上数步骤能有效增加训练样本数，做到样本均衡，使得模型更容易训练。将训练集输入深度学习模型进行训练，利用测试集优化模型参数。原始心电信号经过降噪和数据扩增两步预处理后取第一段样本输入模型中即可获得心电分类结果。
通过深度学习模型探索的心电信号的特征表达，可以免去人工寻找的过程，而用深度学习的方式寻找到全面且有效的特征。
由于异常心电数据较少，存在样本不均衡的问题，且心电不能如同图片般通过旋转、对称等方式做数据扩增。基于深度学习模型对心电信号分类的数据预处理方法能在扩增数据的同时做到样本均衡，使深度学习模型的训练变得更容易，有助提高模型的分类能力和鲁棒性。
Claims (3)
1.一种基于深度学习模型对心电信号分类的方法，其特征在于，所述方法包括以下步骤：
a取得专家标记的包含正常心电和异常心电的心电信号作为训练样本，心电信号测量时长任意，假定最长测量时长为t秒，采样频率为fs赫兹，异常心电信号类型共有L类，正常心电信号样本数为N，第1类异常心电信号样本数为N1，第2类异常心电信号样本数为N2……第L类异常心电信号样本数为NL；
b对原始训练样本做降噪处理，利用小波变换去除基线漂移；
c将训练样本分为训练集和测试集，对训练集做数据扩增；所述数据扩增包括以下步骤：
c11通过QRS波算法检测训练样本首个和末个Q波起始点，Q波起点接近水平基线；
c12截取首末Q波起始点之间的心电数据段作为有效样本；
c13通过c12中有效样本首尾相连拼接成时长为2×t秒的心电样本；
c14通过长度为t×fs的窗口在c13所得的心电样本上随机滑动若干次即可获得相应数量的时长为t的心电信号片段；
c15假定每种类别训练所需样本数为M，则正常心电信号和L类异常心电信号样本对应的窗口滑动次数为[M/N]、[M/N1]、[M/N2]……[M/NL]，[x]表示对x做取整运算；
d将训练集输入深度学习模型进行训练，利用测试集优化模型参数；
e原始心电信号经过b和c两步预处理后取t×fs个数据点作为样本输入模型中即可获得心电信号分类结果。
2.如权利要求1所述的一种基于深度学习模型对心电信号分类的方法，其特征在于，所述步骤b中，所述降噪处理包括以下步骤：
b11使用自适应小波算法去除高频干扰；
b12使用小波变换去除基线漂移。
3.如权利要求1或2所述的一种基于深度学习模型对心电信号分类的方法，其特征在于，所述的步骤a中，原始心电信号为单导联信号或多导联信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810261490.9A CN108647565B (zh) | 2018-03-28 | 2018-03-28 | 一种基于深度学习模型对心电信号分类的数据预处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810261490.9A CN108647565B (zh) | 2018-03-28 | 2018-03-28 | 一种基于深度学习模型对心电信号分类的数据预处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108647565A CN108647565A (zh) | 2018-10-12 |
| CN108647565B true CN108647565B (zh) | 2021-08-03 |
Family
ID=63744939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810261490.9A Active CN108647565B (zh) | 2018-03-28 | 2018-03-28 | 一种基于深度学习模型对心电信号分类的数据预处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108647565B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109350032B (zh) * | 2018-10-16 | 2022-03-18 | 武汉中旗生物医疗电子有限公司 | 一种分类方法、系统、电子设备及存储介质 |
| CN109602414B (zh) * | 2018-11-12 | 2022-01-28 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
| CN109480825B (zh) * | 2018-12-13 | 2021-08-06 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
| CN109871808B (zh) * | 2019-02-21 | 2021-03-02 | 天津惊帆科技有限公司 | 房颤模型训练、检测方法和装置 |
| CN109893124B (zh) * | 2019-03-24 | 2021-12-28 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的疑难心电图主波识别定位方法 |
| CN110327033B (zh) * | 2019-04-04 | 2022-05-03 | 浙江工业大学 | 一种基于深度神经网络的心肌梗死心电图的筛查方法 |
| CN110327034B (zh) * | 2019-04-15 | 2022-07-15 | 浙江工业大学 | 一种基于深度特征融合网络的心动过速心电图的筛查方法 |
| CN110584649B (zh) * | 2019-09-09 | 2021-01-15 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及系统 |
| CN110706808A (zh) * | 2019-09-12 | 2020-01-17 | 北京深睿博联科技有限责任公司 | 动脉瘤破裂状态预测方法和装置 |
| CN110623658B (zh) * | 2019-09-24 | 2022-07-26 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
| CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
| CN113392902A (zh) * | 2021-06-15 | 2021-09-14 | 珠海格力电器股份有限公司 | 数据集处理方法、装置、存储介质及电子设备 |
| CN113647908A (zh) * | 2021-08-06 | 2021-11-16 | 东软集团股份有限公司 | 波形识别模型的训练、心电波形识别方法、装置及设备 |
| CN113974644B (zh) * | 2021-11-26 | 2023-03-24 | 苏州大学 | 一种房颤信号生成方法及系统 |
| CN114271836B (zh) * | 2022-01-25 | 2023-08-29 | 合肥学院 | 一种基于小波变换的智能肌电检测处理方法及装置 |
| CN115047894B (zh) * | 2022-04-14 | 2023-09-15 | 中国民用航空总局第二研究所 | 一种无人机轨迹测算方法、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104970789A (zh) * | 2014-04-04 | 2015-10-14 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及系统 |
| CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| CN107301409A (zh) * | 2017-07-18 | 2017-10-27 | 云南大学 | 基于Wrapper特征选择Bagging学习处理心电图的系统及方法 |
| CN107822622A (zh) * | 2017-09-22 | 2018-03-23 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140142925A1 (en) * | 2012-11-16 | 2014-05-22 | Raytheon Bbn Technologies | Self-organizing unit recognition for speech and other data series |
| US10130307B2 (en) * | 2016-01-06 | 2018-11-20 | Samsung Electronics Co., Ltd. | Electrocardiogram (ECG) authentication method and apparatus |
-
2018
- 2018-03-28 CN CN201810261490.9A patent/CN108647565B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104970789A (zh) * | 2014-04-04 | 2015-10-14 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及系统 |
| CN106805965A (zh) * | 2016-12-19 | 2017-06-09 | 深圳先进技术研究院 | 一种心电信号分类方法及装置 |
| CN107301409A (zh) * | 2017-07-18 | 2017-10-27 | 云南大学 | 基于Wrapper特征选择Bagging学习处理心电图的系统及方法 |
| CN107822622A (zh) * | 2017-09-22 | 2018-03-23 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| Deep convolutional neural network and data augmentation for environment sound classification;l.salamon etal.;《IEEE signal process》;20171231;第24卷(第3期);第279-283页 * |
| 基于卷积神经网络的心电特征提取;颜昊霖等;《计算机工程与设计》;20170430;第38卷(第4期);第1024-1028页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108647565A (zh) | 2018-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647565B (zh) | 一种基于深度学习模型对心电信号分类的数据预处理方法 | |
| CN108186011B (zh) | 房颤检测方法、装置及可读存储介质 | |
| CN107203692B (zh) | 基于深度卷积神经网络的心电数据数字信号处理方法 | |
| CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
| US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
| WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
| CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
| CN103654770B (zh) | 移动心电信号qrs波实时波检测方法及装置 | |
| US20120071730A1 (en) | Adaptive Processing of Ambulatory Electrocardiogram Signals | |
| CN111772628B (zh) | 一种基于深度学习的心电信号房颤自动检测系统 | |
| CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
| CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
| CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
| CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
| CN101972143A (zh) | 基于盲源提取的房颤监测方法 | |
| CN108509823A (zh) | Qrs波群的检测方法及装置 | |
| CN112971795B (zh) | 心电信号质量评估方法 | |
| CN114469124A (zh) | 一种运动过程中异常心电信号的识别方法 | |
| CN115607164A (zh) | 心电特征波分割方法、系统、装置及可读存储介质 | |
| CN110811673A (zh) | 基于概率神经网络模型的心音分析系统 | |
| CN113197583A (zh) | 一种基于时频分析和循环神经网络的心电图波形分割方法 | |
| CN110491504B (zh) | 一种心音信号医学指标数据的获取方法 | |
| Zhong et al. | Maternal ECG removal using short time Fourier transform and convolutional auto-encoder |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181012 Assignee: ZHEJIANG HUANYI ELECTRONIC TECHNOLOGY CO.,LTD. Assignor: JIANG University OF TECHNOLOGY Contract record no.: X2023980037533 Denomination of invention: A Data Preprocessing Method for ECG Signal Classification Based on Deep Learning Model Granted publication date: 20210803 License type: Common License Record date: 20230705 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240710 Address after: Room 108, Building 1, No. 181 Wuchang Avenue, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province, 311100 Patentee after: HANGZHOU BAILUN MEDICAL TECHNOLOGY Co.,Ltd. Country or region after: China Address before: The city Zhaohui six districts Chao Wang Road Hangzhou City, Zhejiang province 310014 18 Patentee before: JIANG University OF TECHNOLOGY Country or region before: China |